Entwicklung eines maschinellen Lernansatzes zur Qualitätsverbesserung im Radial-Axial Ringwalzen durch Zeitreihenklassifikation

Technical innovations and decades of research have allowed the process of radial-axial ring rolling to grow into a significant manufacturing process for seamlessly formed ring-shaped components. Recent developments in machine learning, especially the breakthrough of deep neural networks, offer novel opportunities in various industrial fields. Linking the latest machine learning models with ring rolling process data enables optimization of the rolling process. This optimization aims at increased resource and cost efficiency by reducing material additions and avoiding scrap. This is implemented by developing a time series classification model for quality prediction and extending it to a time series model for early prediction of ovality while rolling is still in progress.Technische Innovationen und jahrzehntelange Forschung haben den Prozess des Radial-Axial Ringwalzens zu einem bedeutsamen Herstellungsprozess für nahtlos geformte ringförmige Bauteile wachsen lassen. Neuste Entwicklungen im Bereich des Maschinellen Lernens, vor allem der Durchbruch tiefer neuronaler Netze, bieten neuartige Möglichkeiten in den verschiedenen Industriebereichen. Eine Verknüpfung neuester maschineller Lernmodelle mit den Prozessdaten des Ringwalzens ermöglicht die Optimierung des Walzprozesses. Diese Optimierung zielt auf eine erhöhte Ressourcen- und Kosteneffizienz durch die Reduzierung von Materialzugaben und die Vermeidung von Ausschuss ab. Umgesetzt wird dies durch die Entwicklung eines Zeitreihenklassifikationsmodells zur Qualitätsvorhersage und der Erweiterung zu einem Zeitreihenmodell für die frühzeitige Vorhersage von auftretenden Unrundheiten noch während die Walzung stattfindet